摘 要： 为了克服苹果颜色分级中存在的误差大、准确率低等缺点，利用粒子群优化BP神经网络算法，实现苹果颜色的实时分级。该算法可优化BP神经网络的权值和阈值，提取苹果颜色特征作为BP神经网络的输入，将训练优化后的BP神经网络做为分级器，对苹果按照颜色进行分级。实验结果表明，该方法分级正确率不低于96%，对一个苹果的检测时间在0.1ms～0.2ms之间，满足实时性要求。
　　关键词： 粒子群优化算法；BP神经网络；颜色分级；分级器

　　颜色和着色面积是衡量苹果外观品质的重要指标，高品质的苹果着色均匀，有较高的商品价值，并且苹果的表面色调也间接反映了其成熟度和内部品质。国外研究者在苹果的颜色检测方面做了大量的研究，如Tao等[1]利用基于色度特征的统计识别算法完成了苹果、土豆的颜色分级，该统计识别算法需要通过大量的样本才能得出统计规律，因此该方法存在过程复杂、效率低的不足；Kavdir等[2]使用BP神经网络设计苹果分类器，用样本图像训练分级器，实现苹果分级，但该方法神经网络中的BP算法存在收敛速度慢和易陷入局部极值点等缺陷。在国内，参考文献[3]和参考文献[4]分别利用遗传神经网络和支持向量机理论实现苹果颜色分级。虽然前人取得了一定成果，但由于我国硬件设施的落后，苹果颜色分级在实验研究过程中仍存在分级过程复杂、效率低等缺点，不易实现自动化分级和满足分级的实时性要求。因此，本文提出了一种基于粒子群优化算法PSO(Particle Swarm Optimization)的BP神经网络分级方法，利用PSO算法优化BP网络参数，可以避免BP算法收敛速度慢和易陷入局部极值点等缺陷，通过提取苹果颜色特征参数，将该参数作为BP网络输入，训练优化后的BP网络作为分级器，提高苹果颜色分级效率。
1 苹果颜色特征提取
1.1  采集苹果图像
　　本文选取红富士苹果作为样本，以黑色为背景，便于提取目标图像，用CCD拍摄一个苹果的3个不同侧面，可覆盖苹果大部分表面。拍摄的图像如图1所示。
                           

1.2  选取颜色模型与提取颜色特征
1.2.1  选取颜色模型
　　颜色是人眼对不同频率的电磁波的一种感知形式，由物体的反射光特性和表面的物理、化学特性决定，据此建立颜色模型。对颜色进行描述和评价的两种最常用颜色模型是RGB颜色模型和HIS颜色填型。
　　(1)RGB颜色模型
　　RGB是一个加色立方体模型，光源的亮度、色度、纯度混合在R、G、B 3个参数中，RGB里面任意色光都可以用R、G、B三色不同分量相加混合而成，该模型通常用于彩色监视器和一大类彩色视频摄像机。人眼不能直接感觉R、G、B三色的比例，只能通过感知颜色的亮度、色调以及饱和度区分物体，因此，仅使用RGB颜色模型难以对图像进行直接处理。
　　(2)HIS颜色模型
　　HIS颜色模型定义了色调（H）、亮度（I）和饱和度（S）3个互不相关、容易预测的颜色属性，其中H是表面呈现近似红、黄、绿、蓝等颜色的一种或几种的目视感知属性；I表示物体表面的强度或亮度；S是颜色具有白光的程度。该模型与人眼感觉颜色的原理相似，更符合人描述和解释颜色的方式。为了准确分析苹果表面颜色特性，本文选用HIS模型。从RGB模型到HIS模型转化公式如(1)、(2)和(3)所示 [5]。
　　

1.2.2  提取颜色特征
　　由于在HIS颜色模型中的H分量在色彩上有较好的分类性，反映了苹果由红到绿的彩色特征变化，相比RGB颜色模型，其计算量减少了2/3，利于实时在线分级，因此该颜色模型对彩色的识别可使用H分量。确定色度H值如公式 (4)。
　　
　　为了反映苹果表面颜色的组成情况，可由色度值得到彩色图像的色度直方图，然后根据直方图的色度曲线提取苹果色度特征参数。为分析不同等级苹果表面红区比例，依国际分级标准，将其分为4个等级，即优等、一等、二等和等外。求出各级苹果色度值范围，得到其对应的色度直方图，具体步骤如下：
　　(1)用阈值法进行图像分割，提取苹果目标图像，得到苹果RGB图像；
　　(2)应用公式(1)、(2)、(3)将苹果颜色的RGB模型转化为HIS模型；
　　(3)利用公式(4)计算各像素的色度值，得到色度直方图。
　　由各等级苹果的直方图可知，苹果色度范围分布在0°～100°：优等红富士苹果色度值集中在0°～25°；一等红富士苹果色度值集中在15°～45°；二等红富士苹果色度值集中在30°～65°，且分布比较分散；等外红富士苹果色度值集中在60°～80°。按照每隔20°为一子区间进行划分，分别有5个点组成色度区域。各等级苹果如图2所示，色度直方图曲线如图3所示。

　　图3中横坐标是色相范围0°～100°，纵坐标是各色相值下的频度，选用每个苹果的色相频度作为颜色分级特征参数。将该参数作为BP网络的输入，用PSO优化后的BP网络作为分级器，实现苹果颜色分级。
2 PSO优化BP神经网络算法
2.1 PSO和BP神经网络
　　粒子群算法是基于群体的演化算法，由Kennedv和 Eberhart于1995年提出，该算法的基本思想源于对鸟群捕食的模拟，进而演化成随机化搜索最优解的方法。在PSO算法中，通过初始化一群随机粒子，用迭代找到最优解。在每次迭代中，粒子通过跟踪两个极值更新自己，一个是粒子本身所找到的最优解，称为个体极值P_best；另一个极值是整个种群目前找到的最优解，为全局极值g_best。粒子主要由以下公式更新自己的速度和位置[6]：
　

　　其中，x_id是粒子的当前位置；v_id是粒子的速度；w是惯性权重；rand1( )、rand2( )是在[0，1]区间内均匀分布的随机数；c₁和c₂为加速系数，且取大于零的常数。PSO算法具有概念简单，容易实现，搜索速度快，搜索范围大等优点。而BP神经网络一般为多层神经网络，是一种多层前馈神经网络。 BP网络模型一般有输入层、隐含层和输出层，相邻神经元之间实现全连接，而每层各神经元之间无连接。传统BP训练算法收敛速度慢，易陷于局部极小，难以收敛到全局最优点，学习过程常发生振荡，训练过程中学习新样本时有适配问题。为了解决BP神经网络中的不足，本文利用PSO的优点优化BP神经网络参数，且利用PSO的收敛性使所求问题能够以较大概率收敛到全局最优解或次优解，很好地解决BP网络存在的局部收敛性问题，提高BP网络分级准确度。
2.2  PSO优化BP神经网络算法
　　直接用BP网络设计苹果分级器，分级速度慢，准确度低，因此本文引入PSO优化BP网络参数，避免BP网络训练时陷入局部最小问题，并提高BP网络训练速度，从而提高分级速度和准确度。
　　在PSO优化BP网络算法中，用表示一组参数值向量，该向量中的每一维表示权值和阈值，d为BP网络中每一维的权值和阈值个数，BP神经网络中的所有权值和阈值个数是74个，其中权值个数为63个，阈值个数为11个。粒子的适应值计算如公式(7)[8]:
　　

式中，m是训练样本，值为100；n是BP网络输出层个数，值为4；Y_ij为数组（0,1,2,3），其中数组中0、1、2和3分别表示优等、一等、二等和等外4个等级，即理想输出值；通过训练优化后的BP网络得到实际输出值即yij，值为（1.6247e-021,1,2,3）。通过公式(7)计算出粒子适应值进行迭代，直到全局搜索完成。在PSO算法实现过程中，根据评价网络性能标准不断提高BP网络性能，评价网络性能公式为(8)：
　　
　　式中iter是算法当前迭代次数，是第i次粒子迭代全局最优值的适应度。其算法流程如图4所示。

　　提取苹果颜色特征信息，利用PSO的全局搜索、计算复杂度低、减少实验次数的能力优化BP网络的参数，避免了BP算法陷入局部最小值。然后用训练优化后的BP网络作为分级器，实现苹果颜色分级。实验结果表明该算法分级准确率不低于96%，识别一个苹果的平均时间为0.1 ms～0.2 ms之间，满足实时分级的要求。
参考文献
[1]  TAO Y, HEINEMANN P H, ZETAL V. Machine vision for color inspection of potatoes and apples [J]. Transaction of the ASAE, 1995, 38(5): 1554-1561.
[2]   NAKANO K. Application of BP neural networks to the color grading of apples [J]. Computer Electron.Agric, 1996, 17: 103-115.
[3]  李庆中，张漫，汪懋华. 基于遗传神经网络的苹果颜色实时分级方法[J]. 中国图形图像学报, 2000, 5 (9): 779-783.
[4]  袁金丽，郭志涛，武睿,等. 基于支持向量基的苹果颜色分级[J]. 农业网络信息, 2007(7): 78-81.
[5]  GONZALEZ R C, WOODS R E. Digital image processing second edition [M]. Publishing house of electronics Industry, 2008.
[6]  杨维, 李歧强. 粒子群优化算法综述[J]. 中国工程科学, 2004(5): 87-94.
[7]  钟珞, 饶文碧, 邹承明. 人工神经网络原理及其融合应用技术[M]. 北京：科学出版社, 2007.
[8]  潘昊, 侯清兰. 基于粒子群优化算法的BP网络学习[J]. 计算机工程与应用，2006(16): 41-43.
[9]  魏海坤. 神经网络结构设计的理论与方法[M]. 北京：国防工业出版社, 2005.